Вікторина, пов’язана з посібником · Середній Рівень
Вікторина з підрахунком провідних AI
Оцініть, як підрахунок лідерів використовує історичні результати, чому дисбаланс класів впливає на оцінку та чому калібрування та моніторинг дрейфу важливі.
Питання 1 з 8
Чим підрахунок лідерів ШІ відрізняється від традиційного підрахунку на основі правил?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Чим підрахунок лідерів ШІ відрізняється від традиційного підрахунку на основі правил?
- Він вивчає ваги з історичних даних конверсії замість використання фіксованих точок
- Він зараховує лише відкриття електронних листів
- Для цього взагалі не потрібні дані
- Він ігнорує розмір компанії та назву посади
- Яке завдання машинного навчання найкраще описує прогнозування потенційного клієнта?
- Сегментація зображення
- Бінарна класифікація
- Розпізнавання мовлення
- Навчання з підкріпленням
- Чому звичайна точність є поганим показником для оцінки лід-скорінгових моделей?
- Accuracy directly measures calibration
- Accuracy tells sales representatives why a lead will convert
- Converters may be rare, so a model can appear accurate by predicting “no conversion” for nearly every lead
- Accuracy automatically adjusts decision thresholds
- According to HubSpot’s lead-scoring documentation, which data can a custom score use?
- Only a person’s name
- Тільки час доби
- Unlabeled audio waveforms
- Record actions or properties selected for the scoring model
- What can a lead-scoring model return for each prospect?
- A score or estimated conversion probability, which still needs evaluation
- A probability that is automatically calibrated by definition
- A guaranteed sales outcome
- A legal determination of creditworthiness
- What does feature importance summarize in a tree-based lead-scoring model?
- That a feature causes conversion
- How influential a feature is in the model’s decisions under that importance method
- That a feature is legally required
- The future sales quota
- What does calibration mean for a lead-conversion score?
- Every lead receives the same score
- The model’s accuracy is always 100 percent
- Predicted probabilities match observed conversion frequencies over comparable cases
- Scores are sorted alphabetically by company
- Why should a lead-scoring model be monitored after deployment?
- The original threshold can never become outdated
- Monitoring makes labels unnecessary
- A model score permanently captures market behavior
- Lead behavior and the meaning of historical patterns can drift